Products
96SEO 2026-08-03 17:07 2
其实，
在 LangChain 的早期版本中。想要快速搭建一个智能体往往需要记住 create_react_agentcreate_json_agent 等一堆不同入口，导致功能碎片化。如果你曾因为找不到正确的创建函数而浪费数分钟甚至数小时那你不是一个人。
为了解决这个痛点，LangChain 推出了统一入口 create_agent。它基于 LangGraph 建立，实现“一行代码。任意智能体”，彻底消除了“哪个函数用来做什么”的困惑。
from langchain.agents import create_agent
agent = create_agent
pain point：不少人不知道应该直接传字符串还是预先构造模型对象，从而导致配置错误或无法使用自定义参数。
from langchain.agents import create_agent
from dotenv import load_dotenv
load_dotenv
agent = create_agent
print) #
LangChain 会类，并读取环境变量中的 API Key。
from langchain.chat_models import init_chat_model
from langchain.agents import create_agent
import os
model = init_chat_model(
model="deepseek-v4-flash",model_provider="openai",api_key=os.getenv,base_url=os.getenv
)
agent = create_agent
This approach is ideal when you need custom endpoints or non‑standard providers.
The agent’s input and output are both message lists . A common mistake is forgetting that last message in response is final answer.
messages =
response = agent.invoke
print # 输出 AI 的回复
from langchain_core.tools import tool
@tool
def get_wear:
"""获取指定城市的天气"""
return f"{city}天气晴朗。25摄氏度"
agent = create_agent
The docstring and type annotations are crucial—y guide agent on wher to call tool.
from langchaintavily import TavilySearchwebsearch = TavilySearch(
maxresults=5,tavilyapi_key=os.getenv
)
agent = create_agent
python
@tool
def get_wear: """天气查询""" return f"{city}今天天气挺好"
def get_news: """新闻查询""" return
agent=createagent( model,tools= )
思路
tool_calls。ToolMessage 都会被记录下来接下来最终由 AI 汇总。| |
response=agent.invoke({ “messages”: })
for msg in response: msg.pretty_print
再看输出示例，
================================ Human Message ================================== 北京天气如何
Tool Calls: getwear Call ID : call12345 说到Args。city : 北京
================================ Tool Message ================================== Name : get_wear 北京天气晴朗，25摄氏度
================================== Ai Message ================================== 北京今天天气晴朗，气温为25摄氏度，非常适合外出活动哦！☀️
| 步骤 | 消息类型 | 关键内容 | Agent 在做什么 |
|---|---|---|---|
| 1 | HumanMessage | 使用者提问接收输入 | 解析使用者意图；说起来，准备交互历史 |
| 2 | AIMessage + tool_calls Decide calling get_wear with city=”北京” …etc，etc…其实，/ Decide if re is a good chance to solve this problem using a tool or continue with a normal answer – it is up to you and you can do something else here . The last two lines contain only empty string but re are still calls!This means that we’re basically asking for a new step that will have us use a new tool call . I’ll let you decide what’s best! | 决策阶段 —— 判断是否需要使用任何外部资源/API；确定参数和目标函数名称，此处决定要用 `get_wear` 而且给出参数 city=”北京”。该阶段会生成对应 `tool_calls` 信息。 | |
| 3 | |||
轨迹解读
| 步骤 | 消息类型 | 内容 | Agent 做什么 |
|---|---|---|---|
| Human | HumanMessage | 使用者提问 | 接收输入 |
| AI | AIMessage+tool_calls | 决定使用 get_wear |
模型推理决定是否需要外部资源 |
| Tool | ToolMessage | 天气信息返回 | 执行函数 |
| AI | AIMessage 最终答案 | 自然语言输出 | 合并结果并完成对话 |
判断结束条件
tool_calls——一次性决定所有需要执行的方法。ToolMessage。
例如网络抖动或第三方服务不可用，需要实现重试逻辑。最简单的方法就是通过 System Prompt 指导 Agent 自动尝试。
flag = @tool
def getwear: """查询天气""" global flag flag += 1 if flag <4: return "TEMPUNAILABLE: 天气服务暂时不可用，请稍后重试" return f"{city}今天天气挺好"
messages =
完整重试轨迹示例：
================================== Ai Message ================================ 你好！ 我来帮你查询一下杭州今天的天气情况。 按理说，Tool Calls: getwear Call ID : call1 Args : city : 杭州
========================================================== === Tool Message ====================================================== Name : getwear TEMPUNAILABLE: 天气服务暂时不可用。请稍后重试
===== Ai message ====================================================== 看来服务暂时有点小故障，我重新查询一下。
===== Tool Call ======================================================= get_wear
... ...
===== Final Answer ====================================================== 好消息！查询成功啦，🎉 杭州今天天气挺好 的，适合出门活动哦～☀️
至于表格拆解。
| 轮次 | AI / Tool | 内容/状态 |
|---|---|---|
第1轮 AI 调用一次 |
||
第1轮 Tool 返回 "TEMP_UNAILABLE" |
||
第2轮 AI
尝试 |
||
第3轮 AI
尝试 |
||
最终 AI 无 tool_calls 并给出自然语言答案 |
style=ul>`
-
broadly missing docstring clarity – docstring 太简短或不包含必要参数说明，让模型难以理解其功能。
"请务必使用 wear 工具" 来限制行为。说起来，
: 减少可选项数量或细化描述差异，使得冲突最小化。add_router_prompt: 在 system prompt 中加入路由规则。如 "若涉及时间，请优先使用 time_tool"。
: 在 invoke 时设置最大递归次数。例如config={"recursionlimit":10}。超限后自动终止对话，ul"> 因为返回的是 CompiledStateGraph。你可以直接渲染其执行图，以直观查看内部循环。
from IPython.display import Image。display
display.drawmermaidpng))
一句话： "Create_Agent 是让 LangChain 智能体开发变得前所未有简单的一把钥匙，而理解其内在思考‑行动‑观察循环则是调整性能与可靠性的关键。"
作为专业的SEO优化服务提供商，我们致力于通过科学、系统的搜索引擎优化策略，帮助企业在百度、Google等搜索引擎中获得更高的排名和流量。我们的服务涵盖网站结构优化、内容优化、技术SEO和链接建设等多个维度。
| 服务项目 | 基础套餐 | 标准套餐 | 高级定制 |
|---|---|---|---|
| 关键词优化数量 | 10-20个核心词 | 30-50个核心词+长尾词 | 80-150个全方位覆盖 |
| 内容优化 | 基础页面优化 | 全站内容优化+每月5篇原创 | 个性化内容策略+每月15篇原创 |
| 技术SEO | 基本技术检查 | 全面技术优化+移动适配 | 深度技术重构+性能优化 |
| 外链建设 | 每月5-10条 | 每月20-30条高质量外链 | 每月50+条多渠道外链 |
| 数据报告 | 月度基础报告 | 双周详细报告+分析 | 每周深度报告+策略调整 |
| 效果保障 | 3-6个月见效 | 2-4个月见效 | 1-3个月快速见效 |
我们的SEO优化服务遵循科学严谨的流程，确保每一步都基于数据分析和行业最佳实践：
全面检测网站技术问题、内容质量、竞争对手情况，制定个性化优化方案。
基于用户搜索意图和商业目标，制定全面的关键词矩阵和布局策略。
解决网站技术问题，优化网站结构，提升页面速度和移动端体验。
创作高质量原创内容，优化现有页面，建立内容更新机制。
获取高质量外部链接，建立品牌在线影响力，提升网站权威度。
持续监控排名、流量和转化数据，根据效果调整优化策略。
基于我们服务的客户数据统计，平均优化效果如下：
我们坚信，真正的SEO优化不仅仅是追求排名，而是通过提供优质内容、优化用户体验、建立网站权威，最终实现可持续的业务增长。我们的目标是与客户建立长期合作关系，共同成长。
Demand feedback
